置换流水车间调度问题的离散粒子群优化算法

提出了一种求解置换流水车间调度问题的离散粒子群优化算法.在该算法中,定义粒子的位置为作业的置换,粒子的速度为置换中作业的交换,根据离散量运算的特点,对粒子的运动规则进行了重新定义.采用变邻域搜索算子和逆序算子来保持粒子群的多样性和提高算法的局部求精能力,使算法在空间探索和局部求精间取得了较好的平衡.在Taillard测试问题集上对算法性能进行了仿真实验,结果表明,离散粒子群优化算法具有良好的性能.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题,提出一种新的基于粒子群优化和模拟退火的混合算法.该算法将问题规模作为启发式信息,通过对模拟退火算法引入新的邻域搜索机制——多粒度搜索,并加入选择优化和淘汰更新机制,提高了算法的自适应性和自学习能力,降低了粒子群算法陷入局部最优的可能性.实验结果表明,该算法在最优解的求解能力上优于其他算法.     

一种求解带约束多式联运问题的群智能算法

针对如何有效运用群智能算法求解多式联运问题,设计了一种针对群智能优化算法的个体解码方式,提出了一个有效的个体编码与多式联运方案的映射模型.在该映射模型中设计了基于比例的流量分配方式,实现了个体编码信息向初步流量分配方式的解码;同时构建了局部流量调整策略,进行不可行方案修复,提高了解码方案的有效性.而后,提出了一种变邻域粒子群算法,将社会网络演化特征引入进行粒子群算法的种群拓扑和邻域调整,以改善个体在搜索过程中的交互模式.基于解码策略,采用改进算法对多式联运问题进行求解,并与3种新型群智能算法进行对比.通过实例分析,该编码策略可以有效应用于多式联运问题求解.同时,变邻域粒子群优化算法的收敛效率和性能优于对比算法.     

求解作业车间调度问题的混合粒子群算法

由于传统粒子群算法应用于作业车间调度问题易于陷入局部最优,为了克服传统粒子群算法的局限性,本文将遗传算法的交叉和变异思想引入,快速、全面地生成粒子,并在较大程度上保证了粒子的优良性质,由于模拟退火算法以简单高效的搜索方式避免了局部搜索算法快速收敛于局部最优点的缺点,故本文将模拟退火算法融入,提出了混合粒子群算法.从实验结果可以看出,混合粒子群算法为求解作业车间调度的一种有效算法.     

求解FJSP的改进元胞粒子群算法

以企业的实际需求为依据,建立了柔性作业车间调度问题的数学模型;针对其特点,提出一种混合元胞粒子群优化算法,通过双层编码,将工件的加工顺序与加工机器位置信息数值化表示;引入遗传算法中的交叉、变异操作,改进了粒子位置更新方法;融入变邻域算法,改善算法局部搜索能力.通过仿真实验,结果表明:算法在求解能力方面有所提升,能够有效地求解柔性作业车间调度问题.     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

一种新的交叉粒子群算法

针对标准粒子群优化算法(SPSO)在处理高维复杂问题极易陷入局部最优的不足,文章在研究标准粒子群优化算法理论基础上,提出了一种带交叉因子的改进粒子群优化算法(MyPSO),减小了算法陷入局部极值的可能。仿真实验表明,该算法(MyPSO)提高了全局搜索能力,但同时增加了搜索时间。     

一种结合多样性策略的自适应粒子群优化算法

提出一种结合多样性策略的自适应粒子群优化算法,该算法在粒子群的全局优化过程中,使用根据种群搜索状态自适应调整邻域空间的局部搜索算法加强算法的局部搜索能力,并允许非优粒子具有引导种群搜索方向的可能性.在著名基准函数上的对比实验结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维多峰函数优化上表现出较强的竞争力.     

基于改进粒子群优化算法求解带时间窗的车辆路径问题研究

针对粒子群优化算法易出现早熟收敛、陷入局部最优的问题,提出了在粒子群搜索解的过程中监控粒子健康度的方法,对健康度低的粒子进行交叉操作。该方法既保证了健康粒子继续搜索最优解,又有效地改变了非健康粒子的状态,提高了粒子群的寻优能力以及跳出局部最优解的能力。最后通过实验数据集验证了新算法,实验结果表明与标准粒子群算法相比新算...     

一种基于粒子群优化的K-均值彩色图像量化算法

目的利用粒子群优化算法和K-均值方法研究彩色图像的量化问题。方法针对K-均值聚类量化算法对初始值比较敏感,易陷入局部极小值从而使得算法得不到全局最优解,为局部搜索算法,以及粒子群优化算法是一种全局寻优方法的特征,把K-均值聚类方法和粒子群优化算法结合起来,将K-均值聚类方法中的聚类函数作为粒子群优化算法中的粒子适应度函数,对彩色图像进行聚类量化。结果实验表明新算法在峰值信噪比和均方根误差评判准则下可以得到更好的量化结果。结论新方法有效地克服了K-均值聚类方法和粒子群优化算法的不足。     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

基于信赖域技术的局部收缩的微粒群算法

为了改善标准的微粒群优化算法(SPSO)的性能,给出一个新的速度更新策略——局部收缩策略,且把信赖域技术引入PSO算法中进行惯性权重的动态调整,提出一个新的微粒群优化算法——基于信赖域技术的局部收缩的微粒群算法.新算法(NPSO)保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.利用10个测试函数测试新算法的性能,并分别与SPSO、与混沌相结合的微粒群算法(PSOC)、具有被动聚集的微粒群算法(PSOPC)、SPSO的全局版本及带有收缩因子的微粒群算法(CPSO)比较,实验结果表明,新算法(NPSO)大大地改善了实例测试函数的表现.       

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

基于GA与PSO并行的模糊聚类算法

针对FCM算法不足,提出一种改进的模糊聚类算法:基于遗传算法(GA)与粒子群优化算法(PSO)并行的模糊聚类算法.实验结果表明,该算法比单基于GA或者PSO的模糊聚类有较好分类正确率与稳定性,有效克服了传统FCM算法对初值敏感和易陷入局部极小值的问题.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.